GPT-6 Astra 驱动 AI 智能体优化含 1650 个 CAD 参数的工程部件设计
arXiv 论文(2611.26003)测试了 LLM 能否在仿真驱动的设计优化中同时满足三个苛刻条件:少量求解次数、上千维设计空间、以及需要整体重新设计而非局部打磨。研究用 GPT-6 Astra 对一个镁支架进行优化,CAD 几何参数化约 1650 个值,仿真预算仅 15 次,每次提案都在 CAD 中建模、划网格并做大变形塑性与接触仿真,LLM 读取每次求解的完整结果。 在 15 次仿真预算内,GPT-6 Astra 将支架弯折处应变高百分位目标降低了 32%;同等预算下工业形状优化器 Tosca 仅改进约十分之一后便停止。其中一个更早的设计在独立的更高保真全展开模型(含压握和损伤)中验证:整体应变比原始设计低 14%,最受损点更晚开始失效,完全展开时损伤少 63%。 对比对象明确:经典贝叶斯或无导数优化器需要人工把设计空间压缩到少数参数,且需要远多于 15 次的求解;Tosca 这类工业优化器每次循环一个求解但只能小幅打磨表面。结果显示通用 LLM 可以将学到的工程知识与仿真数据结合,协调上千个设计值并产出经独立验证的有效设计,对需要非线性有限元仿真的工程团队意味着优化流程可能不再依赖人工降维。
Current read
搞结构优化或 CAE 的朋友可以看看这篇:GPT-6 Astra 只用 15 次仿真就在 1650 个 CAD 参数里把支架应变降了 32%,同预算下 Tosca 只改进 10% 就卡住了。它不压缩参数维度,靠 LLM 读每次求解结果来统筹整体改设计,思路和传统优化器完全不同。
Evidence
11 sourcesConflict check
Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.